არტეფაქტების ამოცნობა ეკრანზე

საინფორმაციო ტექნოლოგიების განვითარების დონის მუდმივი ზრდის გამო, ყოველწლიურად ელექტრონული დოკუმენტები უფრო მოსახერხებელი და მოთხოვნადი ხდება და იწყებენ დომინირებას ტრადიციულ ქაღალდის მედიაზე. აქედან გამომდინარე, ძალიან მნიშვნელოვანია დროული ყურადღება მივაქციოთ ინფორმაციის შინაარსის დაცვას არა მხოლოდ ტრადიციულ ქაღალდის მედიაზე, არამედ ელექტრონულ დოკუმენტებზეც. ყველა მსხვილ კომპანიას, რომელსაც აქვს კომერციული, სახელმწიფო და სხვა საიდუმლოებები, სურს თავიდან აიცილოს ინფორმაციის შესაძლო გაჟონვა და საიდუმლო ინფორმაციის კომპრომისი, ხოლო გაჟონვის აღმოჩენის შემთხვევაში მიიღოს ზომები გაჟონვის შესაჩერებლად და დამრღვევის იდენტიფიცირებისთვის.

ცოტა რამ დაცვის ვარიანტების შესახებ

ამ ამოცანების შესასრულებლად შემოტანილია გარკვეული დამცავი ელემენტები. ასეთი ელემენტები შეიძლება იყოს შტრიხკოდები, ხილული ტეგები, ელექტრონული ტეგები, მაგრამ ყველაზე საინტერესო ფარული ტეგებია. ერთ-ერთი ყველაზე თვალსაჩინო წარმომადგენელია ჭვირნიშანი; ისინი შეიძლება წაისვათ ქაღალდზე ან დაამატოთ პრინტერზე დაბეჭდვის წინ. საიდუმლო არ არის, რომ პრინტერები ბეჭდვისას აყენებენ საკუთარ ჭვირნიშანს (ყვითელი წერტილები და სხვა ნიშნები), მაგრამ ჩვენ განვიხილავთ სხვა არტეფაქტებს, რომლებიც შეიძლება განთავსდეს კომპიუტერის ეკრანზე თანამშრომლის სამუშაო ადგილზე. ასეთი არტეფაქტები გენერირდება სპეციალური პროგრამული პაკეტით, რომელიც ამახვილებს არტეფაქტებს მომხმარებლის სამუშაო სივრცის თავზე, რაც ამცირებს თავად არტეფაქტების ხილვადობას და მომხმარებლის მუშაობაში ჩარევის გარეშე. ამ ტექნოლოგიებს უძველესი ფესვები აქვს მეცნიერული განვითარების თვალსაზრისით და ფარული ინფორმაციის წარმოსაჩენად გამოყენებული ალგორითმები, მაგრამ საკმაოდ იშვიათია თანამედროვე მსოფლიოში. ეს მიდგომა ძირითადად გვხვდება სამხედრო სფეროში და ქაღალდზე, არაკეთილსინდისიერი თანამშრომლების სწრაფი იდენტიფიცირების მიზნით. ეს ტექნოლოგიები ახლახან იწყებს დანერგვას კომერციულ გარემოში. ხილული წყლის ნიშნები ახლა აქტიურად გამოიყენება სხვადასხვა მედია ფაილების საავტორო უფლებების დასაცავად, მაგრამ უხილავი საკმაოდ იშვიათია. მაგრამ ისინი ასევე იწვევენ უდიდეს ინტერესს.

უსაფრთხოების არტეფაქტები

ადამიანებისთვის უხილავი წყლის ნიშნები ქმნიან სხვადასხვა არტეფაქტებს, რომლებიც, პრინციპში, შეიძლება იყოს უხილავი ადამიანის თვალისთვის და შეიძლება იყოს ნიღბიანი გამოსახულებაზე ძალიან პატარა წერტილების სახით. ჩვენ განვიხილავთ ხილულ ობიექტებს, რადგან ისინი, რომლებიც თვალისთვის უხილავია, შესაძლოა მონიტორების უმეტესობის სტანდარტული ფერის სივრცის მიღმა იყოს. ამ არტეფაქტებს განსაკუთრებული მნიშვნელობა აქვს მათი მაღალი უხილავობის გამო. თუმცა, შეუძლებელია CEH-ები სრულიად უხილავი გახადო. მათი განხორციელების პროცესში გამოსახულებაში შედის კონტეინერის გამოსახულების გარკვეული სახის დამახინჯება და მასზე ჩნდება გარკვეული სახის არტეფაქტები. განვიხილოთ 2 ტიპის ობიექტი:

1. ციკლური
2. ქაოტური (შეტანილი გამოსახულების კონვერტაციით)

ციკლური ელემენტები წარმოადგენენ განმეორებადი ელემენტების გარკვეულ სასრულ თანმიმდევრობას, რომლებიც მეორდება არაერთხელ ეკრანის სურათზე (ნახ. 1).

ქაოტური არტეფაქტები შეიძლება გამოწვეული იყოს გადახურული გამოსახულების სხვადასხვა სახის გარდაქმნებით (ნახ. 2), მაგალითად, ჰოლოგრამის შემოღებით.

ბრინჯი. 1 ველოსიპედის არტეფაქტები

ბრინჯი. 2 ქაოტური არტეფაქტი

პირველ რიგში, მოდით შევხედოთ ციკლური არტეფაქტების ამოცნობის ვარიანტებს. ასეთი არტეფაქტები შეიძლება იყოს:

• ტექსტური წყლის ნიშნები, რომლებიც მეორდება ეკრანზე
• ორობითი მიმდევრობები
• ქაოტური წერტილების ნაკრები თითოეულ ბადის უჯრედში

ყველა ჩამოთვლილი არტეფაქტი გამოიყენება პირდაპირ ნაჩვენები შინაარსის თავზე; შესაბამისად, მათი ამოცნობა შესაძლებელია თითოეული ფერადი არხის ჰისტოგრამის ლოკალური კიდურების იდენტიფიცირებით და, შესაბამისად, ყველა სხვა ფერის ამოჭრით. ეს მეთოდი მოიცავს მუშაობას ჰისტოგრამის თითოეული არხის ლოკალური უკიდურესობების კომბინაციებთან. პრობლემა ემყარება ლოკალური ექსტრემების ძიებას საკმაოდ რთულ გამოსახულებაში მრავალი მკვეთრად გარდამავალი დეტალით; ჰისტოგრამა გამოიყურება ძალიან ხერხემალი, რაც ამ მიდგომას შეუსაბამო ხდის. შეგიძლიათ სცადოთ გამოიყენოთ სხვადასხვა ფილტრები, მაგრამ ისინი წარმოადგენენ საკუთარ დამახინჯებას, რამაც შეიძლება საბოლოოდ გამოიწვიოს წყლის ნიშნის ამოცნობის შეუძლებლობა. ასევე არსებობს ამ არტეფაქტების ამოცნობის შესაძლებლობა გარკვეული კიდეების დეტექტორების გამოყენებით (მაგალითად, Canny edge დეტექტორი). ამ მიდგომებს თავისი ადგილი აქვს გარდამავალი პერიოდის საკმაოდ მკვეთრი არტეფაქტებისთვის; დეტექტორებს შეუძლიათ მონიშნონ გამოსახულების კონტურები და შემდგომში შეარჩიონ ფერის დიაპაზონი კონტურებში გამოსახულების ბინარიზაციისთვის, რათა შემდგომში გამოკვეთონ თავად არტეფაქტები, მაგრამ ეს მეთოდები მოითხოვს საკმაოდ ზუსტ რეგულირებას საჭირო კონტურები, ისევე როგორც თავად სურათის შემდგომი ბინარიზაცია შერჩეულ კონტურების ფერებთან შედარებით. ეს ალგორითმები ითვლება საკმაოდ არასანდო და ცდილობენ გამოიყენონ უფრო სტაბილური და დამოუკიდებელი გამოსახულების ფერის კომპონენტების ტიპისგან.

ბრინჯი. 3 Watermark კონვერტაციის შემდეგ

რაც შეეხება ადრე ნახსენებ ქაოტურ არტეფაქტებს, მათი ამოცნობის ალგორითმები რადიკალურად განსხვავებული იქნება. ვინაიდან ქაოტური არტეფაქტების ფორმირება ივარაუდება სურათზე გარკვეული წყლის ნიშნის დაწესებით, რომელიც გარდაიქმნება ზოგიერთი ტრანსფორმაციით (მაგალითად, დისკრეტული ფურიეს ტრანსფორმაცია). ასეთი გარდაქმნების არტეფაქტები ნაწილდება მთელ ეკრანზე და ძნელია მათი ნიმუშის იდენტიფიცირება. ამის საფუძველზე, წყლის ნიშანი განთავსდება მთელ სურათზე "შემთხვევითი" არტეფაქტების სახით. ასეთი წყლის ნიშნის ამოცნობა ხდება გამოსახულების პირდაპირ ტრანსფორმაციაზე ტრანსფორმაციის ფუნქციების გამოყენებით. ტრანსფორმაციის შედეგი წარმოდგენილია ნახატზე (ნახ. 3).

მაგრამ წარმოიქმნება მთელი რიგი პრობლემები, რომლებიც ხელს უშლის წყლის ნიშნის ამოცნობას იდეალურზე ნაკლებ პირობებში. კონვერტაციის სახეობიდან გამომდინარე, შეიძლება არსებობდეს სხვადასხვა სირთულეები, მაგალითად, ეკრანთან შედარებით დიდი კუთხით გადაღებით მიღებული დოკუმენტის ამოცნობის შეუძლებლობა, ან უბრალოდ საკმაოდ ცუდი ხარისხის ფოტო, ან ეკრანის გადაღება შენახული. ფაილი მაღალი დაკარგვის შეკუმშვით. ყველა ეს პრობლემა იწვევს წყლის ნიშნის იდენტიფიკაციის გართულებას; კუთხიანი გამოსახულების შემთხვევაში აუცილებელია ან უფრო რთული ტრანსფორმაციების გამოყენება ან გამოსახულებაზე აფინური ტრანსფორმაციების გამოყენება, მაგრამ არც ჭვირნიშნის სრული აღდგენის გარანტია. თუ გავითვალისწინებთ ეკრანის გადაღების შემთხვევას, ჩნდება ორი პრობლემა: პირველი არის დამახინჯება თავად ეკრანზე ჩვენებისას, მეორე არის დამახინჯება სურათის თავად ეკრანიდან შენახვისას. პირველის კონტროლი საკმაოდ რთულია იმის გამო, რომ არსებობს სხვადასხვა ხარისხის მონიტორებისთვის მატრიცები და ამა თუ იმ ფერის არარსებობის გამო, ისინი ინტერპოლაციას უკეთებენ ფერს მათი ფერის წარმოდგენის მიხედვით, რითაც შეჰყავთ დამახინჯებები თავად წყლის ნიშანში. მეორე კიდევ უფრო რთულია, იმის გამო, რომ თქვენ შეგიძლიათ შეინახოთ სკრინშოტი ნებისმიერ ფორმატში და, შესაბამისად, დაკარგოთ ფერის დიაპაზონის ნაწილი, შესაბამისად, ჩვენ შეგვიძლია უბრალოდ დავკარგოთ წყლის ნიშანი.

განხორციელების პრობლემები

თანამედროვე სამყაროში არსებობს საკმაოდ ბევრი ალგორითმი წყლის ნიშნების დანერგვისთვის, მაგრამ არცერთი არ იძლევა 100%-იან გარანტიას წყლის ნიშნის შემდგომი ამოცნობის შესაძლებლობას მისი განხორციელების შემდეგ. მთავარი სირთულე არის რეპროდუქციის პირობების განსაზღვრა, რომელიც შეიძლება წარმოიშვას თითოეულ კონკრეტულ შემთხვევაში. როგორც უკვე აღვნიშნეთ, ძნელია შექმნას ამოცნობის ალგორითმი, რომელიც ითვალისწინებს დამახინჯების ყველა შესაძლო მახასიათებელს და წყლის ნიშნის დაზიანების მცდელობებს. მაგალითად, თუ გაუსის ფილტრი გამოიყენება მიმდინარე სურათზე და ორიგინალ სურათზე არტეფაქტები საკმაოდ მცირე და კონტრასტული იყო სურათის ფონზე, მაშინ მათი ამოცნობა ან შეუძლებელი ხდება, ან წყლის ნიშნის ნაწილი დაიკარგება. . განვიხილოთ ფოტოსურათის შემთხვევა, დიდი ალბათობით მას ექნება მური (სურ. 5) და „ბადე“ (ნახ. 4). Moire წარმოიქმნება ეკრანის მატრიცის და ჩამწერი აღჭურვილობის მატრიცის დისკრეტულობის გამო; ამ სიტუაციაში, ორი ქსელის გამოსახულება ერთმანეთზეა გადახურული. ქსელი, სავარაუდოდ, ნაწილობრივ დაფარავს წყლის ნიშნის არტეფაქტებს და გამოიწვევს ამოცნობის პრობლემას; moire, თავის მხრივ, წყლის ნიშნის ჩაშენების ზოგიერთ მეთოდში შეუძლებელია მისი ამოცნობა, რადგან ის გადაფარავს გამოსახულების ნაწილს წყლის ნიშანს.

ბრინჯი. 4 გამოსახულების ბადე

ბრინჯი. 5 მოარი

წყლის ნიშნების ამოცნობის ზღურბლის გაზრდის მიზნით, საჭიროა გამოიყენონ ალგორითმები, რომლებიც დაფუძნებულია თვითნასწავლ ნერვულ ქსელებზე და ოპერაციის პროცესში, რომლებიც თავად ისწავლიან წყლის ნიშნის გამოსახულების ამოცნობას. ახლა არის უამრავი ნერვული ქსელის ხელსაწყოები და სერვისები, მაგალითად, Google-ისგან. თუ სასურველია, შეგიძლიათ იპოვოთ საცნობარო სურათების ნაკრები და ასწავლოთ ნერვულ ქსელს საჭირო არტეფაქტების ამოცნობა. ამ მიდგომას აქვს ყველაზე პერსპექტიული შანსები ძალიან დამახინჯებული წყლის ნიშნების იდენტიფიცირებისთვის, მაგრამ სწრაფი იდენტიფიკაციისთვის მას სჭირდება დიდი გამოთვლითი სიმძლავრე და საკმაოდ გრძელი სასწავლო პერიოდი სწორი იდენტიფიკაციისთვის.

ყველაფერი აღწერილი საკმაოდ მარტივია, მაგრამ რაც უფრო ღრმად ჩასწვდებით ამ საკითხებს, მით უფრო გესმით, რომ წყლის ნიშნების ამოცნობისთვის საჭიროა დიდი დრო დახარჯოთ რომელიმე ალგორითმის განხორციელებაზე და კიდევ უფრო მეტი დრო მის საჭირო ალბათობამდე მისაყვანად. თითოეული სურათის ამოცნობა.

წყარო: www.habr.com